Voxel51/vineyard-pruning

该数据集包含536张葡萄园图像，采集自西班牙巴达霍斯省蒂埃拉德巴罗斯地区的葡萄园，品种为pardina/parda和macabeo/viura/lardot，采用篱笆式种植，属于Ribera del Guadiana原产地命名。图像在人工修剪期间由专业人员使用佳能EOS 2000D单反相机和三星SM-A715F智能手机在自然光下从不同角度拍摄。每张图像都通过VGG图像标注工具（VIA）标注了多边形掩码，涵盖三个葡萄部分：主干、未修剪枝条和已修剪枝条。该数据集已用于训练Mask R-CNN模型，以自动定位葡萄部分（报告mAP50为60.08），支持自动化或机器人葡萄园修剪系统的研究。数据集由西班牙埃斯特雷马杜拉大学的研究团队策划，资金来自西班牙科学与创新部（资助号TED2021-131242B-I00），并通过Mendeley Data共享。This dataset contains 536 vineyard images collected in Tierra de Barros, in the southwestern province of Badajoz, Extremadura, Spain, on Vitis vinifera vines of the pardina/parda and macabeo/viura/lardot varieties, grown in hedgerows under the Ribera del Guadiana designation of origin. Images were captured during manual pruning, performed by qualified professionals, under natural lighting and from varied angles, using a Canon EOS 2000D DSLR and a Samsung SM-A715F smartphone. Each image is annotated with polygon masks for three vine parts -- trunk, unpruned shoot, and pruned shoot -- labeled with VGG Image Annotator (VIA). The dataset has previously been used to train Mask R-CNN models for automatic localization of vine parts (reported mAP50 of 60.08), in support of automated/robotic vineyard pruning systems. Curated by researchers from Universidad de Extremadura, funded by Ministerio de Ciencia, Innovación y Universidades, Spain (Grant TED2021-131242B-I00), and shared via Mendeley Data.

搜集汇总

数据集介绍

构建方式

该数据集源自西班牙埃斯特雷马杜拉地区Tierra de Barros的葡萄园，聚焦于自动化修剪机器人研究所需的葡萄植株关键部位识别。研究团队使用佳能EOS 2000D单反相机和三星SM-A715F智能手机，在自然光照条件下从多角度采集了536张正在人工修剪的葡萄藤图像，涵盖“pardina”和“macabeo”两种品种。每一张图像均经由VGG图像标注工具（VIA）以多边形掩膜形式精心标注了三种关键部位：树干、未修剪嫩枝和已修剪嫩枝。数据随后被转换为FiftyOne格式，便于与主流深度学习框架无缝衔接。

特点

作为面向精准农业的专用数据集，其显著优势在于标注的精细程度与领域针对性。6968个多边形区域完整保留了原始分割边界信息，而非简化为边界框，从而为实例分割模型提供了高质量的像素级监督。数据集中每幅图像的嫩枝数量、已修剪嫩枝数量等信息均被记录，可支持修剪状态分类等下游任务。此外，EXIF元数据（如相机型号、分辨率）的保留丰富了数据探索维度。尽管所有图像均采集自同一地区的特定种植体系，但其高质量标注为葡萄园自动化修剪的计算机视觉研究奠定了坚实基础。

使用方法

该数据集专为基于FiftyOne平台的使用而优化，安装简便，只需执行‘pip install fiftyone’指令即可完成环境配置。用户可通过‘load_from_hub’函数从Hugging Face Hub直接加载数据集，随后启动FiftyOne可视化界面进行交互式探索与分析。数据集当前未划分训练/验证/测试集，使用者可根据研究需要自行拆分。该数据集尤其适用于训练Mask R-CNN等实例分割模型，以定位树干和嫩枝。需要注意的是，该数据集仅涵盖本地品种与单一种植模式，模型迁移至其他品种或地理区域前需进行充分的泛化验证。

背景与挑战

背景概述

精准农业与机器人技术的深度融合为传统农事作业的自动化变革提供了崭新契机，其中葡萄藤剪枝作为一项高度依赖人工经验且季节性显著的劳动密集型任务，面临着劳动力短缺与作业效率提升的迫切需求。在此背景下，由西班牙埃斯特雷马杜拉大学研究团队于2021至2023年间在巴达霍斯Tierra de Barros产区创建的vineyard-pruning数据集应运而生。该数据集收录了536张在专业剪枝作业期间采集的葡萄藤图像，涵盖“pardina”与“macabeo”两种品种，并利用VGG Image Annotator为每张图像标注了主干、未剪枝新梢与已剪枝新梢的多边形掩膜。作为首个聚焦于葡萄藤剪枝关键部位定位的开源影像资源，该数据集已成功支撑Mask R-CNN模型实现60.08%的平均精度，为自动化剪枝机器人的视觉感知系统研发奠定了重要基础，对推动农业机器人与计算机视觉交叉领域的发展具有显著影响力。

当前挑战

该数据集所解决的领域核心挑战在于实现复杂自然环境下葡萄藤剪枝关键部位的精准识别与分割。由于葡萄藤在自然光照下呈现多角度、多分辨率及背景杂乱的图像特征，且主干与不同状态的新梢在形态上高度相似、相互遮挡，传统图像处理方法难以鲁棒地完成自动定位，而该数据集通过提供精细的多边形标注为深度学习模型提供了训练基准。在数据集构建过程中，研究团队面临了多重挑战：1）需在专业剪枝作业的有限窗口期内完成跨年份（2021-2023）的实地采集，同时协调不同相机设备（单反与智能手机）产生的五种分辨率（800×600至6000×4000像素）图像的一致性；2）人工标注环节需依据严格定义（如仅标注未剪枝新梢的首个带芽节段）以253幅图像中精准勾勒出6968个多边形区域，且要确保三类标签的语义无歧义；3）原始数据中124张图像缺失EXIF信息导致的元数据追溯困难，以及VIA格式与标准深度学习框架间的转换适配问题。

常用场景

经典使用场景

在精细农业与计算机视觉交叉领域，vineyard-pruning数据集最经典的用途是训练和评估基于多边形掩码的实例分割模型，如Mask R-CNN，以精准定位葡萄藤的主干、未修剪枝条与已修剪枝条。该数据集包含536张在西班牙埃斯特雷马杜拉产区实地采集的图像，覆盖两种代表性葡萄品种的篱架式栽培场景。研究者可利用其精细的多边形标注，开发能够区分修剪前后枝条状态的视觉算法，为智能修剪机器人提供关键的感知基础。

解决学术问题

该数据集主要解决了葡萄园自动化修剪研究中缺乏高质量标注视觉样本的瓶颈问题。学术上，它支撑了基于深度学习的葡萄树体关键部位检测与分割任务的基准建立，推动了模型在非结构化农业环境中的泛化能力评估。通过提供三种精细类别的密集多边形注释，该数据促使研究者探索小样本场景下的模型迁移、遮挡条件下的部件定位以及修剪操作的实时识别，对减少农业劳动力依赖、提升作业标准化水平具有深远学术价值。

衍生相关工作

围绕该数据集已催生一系列经典研究工作。原始研究团队利用Mask R-CNN模型在该数据上取得了60.08%的平均精度（mAP50），验证了深度分割网络在葡萄树体部位定位任务中的有效性。后续工作可能包括：结合时序图像进化出动态修剪效果评估模型；引入轻量化骨干网络（如MobileNet）实现嵌入式部署；以及利用领域适应技术将该数据集训练的模型迁移至不同葡萄品种或修剪季相。这些衍生研究持续推动着农业视觉感知从实验室走向田间实践。